Howard Wu
EN中

AI Monthly — September 2025

AI 趨勢月報 — 2025 年 9 月

四場,從各角色各自試 AI,收到把做法串起來。一份系統設計文件用模型讀過程式庫,幾小時交出初稿,再由人補完。

Four sessions. Individual experiments turned into a shared practice. One system-design document was drafted in a few hours by reading the codebase, then finished by hand.


從「用 AI」到「系統化導入 AI」的轉折月 -- 四週分享,一個方向

場次

353 min

總時長

趨勢主題

實務進展

概覽

W1 | 09-05

64 min

AI 應用分享與 SA 工作流程優化策略

W2 | 09-12

67 min

AI 在設計與開發流程中的應用實踐

W3 | 09-19

82 min

AI 趨勢與內部知識變現策略

W4 | 09-26

140 min

Vibe Coding 工作坊 + AI 趨勢分享

W1 -- 09-05 | 64 min

AI 應用分享與 SA 工作流程優化策略

AI 趨勢討論

AI 輔助測試案例生成

將 SRS(系統需求規格書)轉 PDF 後餵給三家模型比較產出品質。Gemini 效果較佳,可產出 3-4 個中文案例並分頁清楚;另一工具支援一鍵分享、提供優先順序判斷,同一 prompt 下穩定性最高。

Google AI Studio 生圖能力

以 Gemini 2.5 Vision 為基礎的實驗性生圖功能,風格轉換與一致性表現突出。可在固定構圖下生成賽博龐克、蒸汽龐克、卡通等多風格圖像。

OpenAI 企業 AI 導入策略

五大核心——對齊(願景與目標)、啟用(組織內常態化)、放大(擴充工具平台)、加速(減少限制)、治理(風險管理)。

內部工具上線

專案管理工具新增統計分析功能,透過時間花費與工項分佈圖表協助團隊看清資源投入分佈。

實務分享

--新人 SA 完整拆解端到端流程:Kickoff → 需求訪談 → 設計校核 → SRS 撰寫 → 開發協作 → API 管理 → 測試驗收

--會議記錄 AI 化:從單純錄音轉寫升級為需求訪談重點摘要,搭配 Gemini 2.5 Pro 處理多對多複雜討論

--API 文件比對:使用 Adobe PDF 比較檔案功能,偵測新舊版差異(實驗偵測出 110 處不同)

--Figma AI 外掛:快速標示框選範圍並生成互動需求描述

"以 AI 降本提效的階段性策略:即便不能一次解決 100%,也要讓 100 小時降為 80、小步快跑再至 60。"

-- Howard

Howard / 管理層觀點

管理層肯定流程拆解價值,但質問 SA 工序的時間成本是否可由客戶買單。策略轉向:從「繁瑣執行」走向「AI 化、產品化、SaaS」。

W2 -- 09-12 | 67 min

AI 在設計與開發流程中的應用實踐

AI 趨勢討論

AI 自動化 UI 測試

建立端到端流程:環境配置 → 自動部署 → 截圖比對 → 差異分析 → 知識萃取 → 報告生成。採用三種影像比對演算法進行差異熱區標註。產出具結構的 PDF 報告。

AI 輔助 SDD 文件生成

金融專案在合約後期被要求補交 SDD。使用 Gemini 讀取 277 個檔案,初稿完成度約 50-70%,人工補足 20-25%,總投入約 3 小時即完成交付。

Figma 轉 HTML 探索

直接丟設計稿產出 100 個檔案但架構差;經強化命名規則後品質大幅改善,切版時間可縮減 60-70%。

Figma Make 快速原型

將企劃書丟入 AI 產生 prompt,再回餵生成可互動原型。以賽博龐克風格關鍵詞快速套入展場風格。從文字到互動原型速度極快。

實務分享

--Howard 建立 AI 自動化 UI 測試流程,產出結構化 PDF 報告,成本相較產出「相當划算」

--SDD 文件以 Gemini 讀取 277 個檔案,3 小時完成原需 2 天以上的交付

--Figma Make 用於快速原型,從文字到互動原型分鐘級完成

--延伸構想:結合元件庫結構與命名,AI 自動標記稿件所含元件

"AI 先生成六成以上初稿,短時間內產出多版本供用戶測試,四小時內完成流程頁面並招募 5-10 位用戶做可用性驗證。"

-- Howard

Howard / 管理層觀點

AI 正在模糊設計、前端、RD 的傳統分工。會寫程式且懂 prompt、具設計直覺的人,能一站式完成初版。元件命名規範是 AI 大規模應用的關鍵。

W3 -- 09-19 | 82 min

AI 趨勢與內部知識變現策略

AI 趨勢討論

Meta AI 眼鏡

9 月 17 日發布新款,可透過透明鏡片顯示全彩混合實境畫面,以手腕帶控制。AI 眼鏡很可能是下一個時代的聯網載體。

產業人才戰與 AGI 時程

Meta 以一年一億美金挖角 OpenAI 人才。各家聚焦不同:Meta 強硬體與社群、OpenAI 專注模型產品、Google 全家桶整合、Anthropic 聚焦安全與程式、XAI 重基礎設施。

SDD(規格驅動開發)

從瀑布 → 敏捷 → TDD → BDD,社群近期聚焦 SDD。規格寫好,AI 便能據此高品質轉換程式碼。重點從 Prompt Engineering 轉向 Context Engineering。

規格即意圖

如同 LLM 是人類智慧的有失真壓縮,規格書的撰寫品質決定程式碼的回溯與調整能力。規格是完整意圖,程式碼是有失真壓縮的實作。

實務分享

--公司已累積 500-600 多個錄音檔與 50 多場 AI 分享會素材

--已實作:週報、FAQ/Q&A 自動整理、風格化頁面、RWD 版面

--連載化設計:將分享以 SDLC 脈絡串接製作成雙週刊

--Design System 估計市場報價破千萬甚至破 2000 萬,建議去色匿名化後公開展示

"規格是完整意圖,程式碼是有失真壓縮的實作。持續以規格校準,讓生成與重構保持在同一意圖空間。"

-- Howard

Howard / 管理層觀點

產品化不會一步到位,需貼合市場節奏迭代。Meta 從 2020 元宇宙夢到 2024 全彩 AI 眼鏡,歷經四年多代產品收斂。工匠精神在 AI 時代不貶值,更應該被看見。

W4 -- 09-26 | 140 min

Vibe Coding 工作坊 + AI 趨勢分享

AI 趨勢討論

Vibe Coding 定義與定位

由 Andrej Karpathy 於 2025 年 2 月提出,以自然語言驅動 AI 完成細節實作。價值在快速迭代與降低門檻,進入 production 前仍需嚴謹工程實務。

Context Engineering

AI 會按需呼叫工具、搜尋目標資訊。對話累積過長可能「忘記」前文或「改 A 壞 B」,需養成回滾習慣,務必使用 Git 保護既有成果。

模型價效比戰

Grok Code Test One 被評為當前 coding model CP 值極高。OpenRouter 排名顯示 Grok 系列在 programming 領域居首,價效比較高價模型高約 6-10 倍。

資本博弈與算力瓶頸

OpenAI 市值約 5000 億美金,宣布與 Oracle 合作購買 3000 億美元算力。NVIDIA 投資 OpenAI 1000 億、取得約 20% 股份。算力終極瓶頸不在 GPU 而在電力與土地。

實務分享

--學員實戰以 AI 生成貪食蛇、俄羅斯方塊、踩地雷,驗證 AI 仍可能漏邏輯

--MCP + Neo4j 程式碼圖譜 PoC 跑通,可辨識耦合熱點與高複雜區段

--PDF 簡報轉行動友善網頁(針對長官調整為大字版)

--以單一 Prompt 將五份週報生成包含主頁與五個子頁面的網站

"AI 不是替代,而是工作模式的轉換。進入 production 前仍需嚴謹的工程實務。"

-- Howard

Howard / 管理層觀點

我們不是要在模型大戰中比拼雲端支出,我們要用自有工具與標準把程式風險、成本與速度鎖死在可控邊界內。

月度趨勢矩陣

跨週主題追蹤與發展脈絡

SDD(規格驅動開發)

W1W3

從 SA 流程反思 → SDD 方法論提出 → Context Engineering 取代 Prompt Engineering

AI 輔助測試與文件

W1W2

SRS 生成測試案例 → UI 自動化測試 → SDD 文件快速生成(3 小時交付)

Vibe Coding

W4

Karpathy 提出 → 決策框架建立 → 實戰工作坊落地

模型價效比戰

W4

Grok 崛起、OpenRouter 排名、大廠賠本貼錢

知識變現

W3W4

500+ 錄音轉內容 → 週報/雙週刊自動化 → 五份週報一鍵生網站

內部工具自建

W1W4

專案管理統計功能 → MCP + Neo4j 程式碼圖譜 PoC

Meta AI 眼鏡

W3

下一代聯網載體、全彩鏡片顯示、產品化路徑分析

Howard 核心觀點

反覆出現的策略主張

規格即意圖

W1, W3

規格是完整意圖,程式碼是有失真壓縮。從 Prompt Engineering 轉向 Context Engineering。

小步快跑降本

W1

不追求一次解決 100%,而是 100 → 80 → 60 漸進提效。

安全底線不可妥協

W4

API Key 不放前端、個資評估地端模型、MCP 自建以防資料外流。

模型選擇要精算

W4

依任務需求配模型,POC 用便宜模型;視覺任務先壓縮圖片降成本。

產品化需要耐心

W3

貼合市場節奏迭代,Meta 花四年從元宇宙到可量產 AI 眼鏡。

團隊實務進展

九月份的具體落地成果

新人 SA 成功將會議記錄 AI 化,從單純轉寫升級為需求訪談重點摘要

AI 自動化 UI 測試流程建立,產出結構化 PDF 報告

SDD 文件以 Gemini 讀取 277 個檔案,3 小時完成原需 2 天以上的交付

Figma Make 用於快速原型,從文字到互動原型分鐘級完成

MCP + Neo4j 程式碼圖譜 PoC 跑通,驗證自建可行性

內部錄音知識變現流程初步建立,已產出週報與雙週刊

Vibe Coding 工作坊落地,全員實戰練習 AI 生成應用

九月特徵

從「用 AI」到「系統化導入 AI」

九月是團隊 AI 應用從個人探索走向系統化的轉折月。W1-W2 聚焦於各角色(SA、QA、設計、前端)各自的 AI 落地實踐;W3 開始將這些實踐串接為方法論(SDD)與商業模式(知識變現);W4 則以工作坊形式讓全員動手,同時從市場數據與資本動態建立對 AI 生態的結構性理解。

管理層的策略信號明確:AI 不是工具選項,而是公司 DNA。